简介
尽管有数百个项目和数千位数据科学家致力于将AI / ML引入医疗保健领域，但采用率仍然很低且缓慢。
1. 药物研发
医疗领域的所有AI / ML机会中，这一机会实际上是最遥远的。 主要原因是由大型制药公司支付资金并由资本市场提供资金，而不是由付款人/医院/临床医生/患者财务链提供资金。但是，由于创新研究的风险以及新药的极高成本和漫长的批准时间，这些创新的回报可能在将来也最遥远。
尽管媒体经常报道遗传学和基因组学的进展，作为AI / ML辅助医学突破的先驱，但更接近个性化医学和精准医学领域。包括使用患者自己的修饰细胞抵抗疾病（个性化），以及创建针对患者独特生理和状况设计的药物组合（精确度）。
2. 医疗保健业务
临床医生的操作世界可能是唯一的，但在商业级别上，医院和医疗机构与商业世界有着一些明显的相似之处。
首先，其中有许多重复性任务可以使用从商业领域改编而来的工具自动完成，通常通过机器人过程自动化（RPA）和NLP。
一些示例包括：
确定患者保险资格（NLP加上搜索RPA）。
创建准确的付款人帐单（基于复杂的医疗代码和电子健康记录（EHR），NLP plus搜索旨在提高准确性，并减少过高或过低的帐单）。
基于经典时间序列预测的需求预测。这种使用良好的商业应用程序很容易适应常见问题，包括：
人员编制和安排
最大化手术室利用率
减少输液中心的等待时间并提高患者吞吐量
简化急诊室到病人的接送
减少出院延误
从这里我们可以直接进入患者所体验的医疗保健领域。这些旨在按时间顺序或多或少地排列。
3. 患者入院和转诊
在美国以及故意限制获取医疗保健服务且延误时间长的单付费国家，确定患者是否以及何时需要看医生是一个主要问题。电话会议医师以及经验丰富的虚拟医师助手（聊天机器人）都可以轻松地接受患者描述病情的初步咨询。
聊天机器人技术现在已经非常先进，且公众已经表明愿意在各种环境中使用这些虚拟助手。额外的好处是可以通过患者最舒适的渠道进行沟通（移动，网络，文本，电话）。由于商业应用，许多用户习惯了这种方式来安排约会和跟进，计费或处理特殊请求。而且，构成EHR记录核心的患者和医生之间的初始入院采访非常耗时，由于NLP和chatbot技术的存在，在许多情况下可以实现自动化。
假设虚拟助手背后的人为定义或AI定义的知识和决策树是准确的（如果这是很大的话），那么这对于降低医院管理成本，优先安排现场医生咨询甚至使患者脱离紧急护理花费更便宜，更容易获得的紧急护理。
4. 临床应用
如果希望AI / ML成功改善医疗保健，则需要深入医生和患者之间。 这无疑是医疗保健过程中最困难的部分。 该领域还代表了至少80％的医疗保健改善潜力，并且该领域迄今为止渗透率和采用率最低。
4.1医学图像的自动/半自动解释。
目前，最大的炒作以及据报道约75％的预期AI / ML医疗保健应用程序都专注于使用深度学习CNN技术自动解释医学图像。
例如，大约有55,000人参加了2018年北美放射学会（RSNA）会议，这是同类活动中规模最大的会议，而12月参加该会议的450人参加了会议。
这些图像包括放射图像，CT扫描，甚至是组织的湿实验室活检玻片，目前所有这些都由训练有素的临床医生通过眼睛进行评估，这些医生供不应求，并且很少在深夜醒来，请咨询紧急图片。
与人类临床医生相比，印刷机上充斥着大量文章，称赞每个系统在超过精度方面都取得了成功，并大大缩短了周转时间。
尽管有这些主张，但由于我们将在第三部分中讨论的原因，医院和临床医生的采用速度仍然很慢。从临床医生的角度来看，这根本不像看起来那样好。
4.2能够更准确地识别疾病亚型-精准医学
治疗仅与诊断一样好，而且许多诊断仍依赖于17世纪基于症状和器官的描述。
应用于CNN解释医学图像的基于经典聚类的ML技术在诸如流行病学等许多医学子领域中迅速增强了诊断能力。
4.3 AI / ML驱动的分类和预防
使用经典的ML建模技术，有时会借助新的AI技术来在现有患者数据中查找区分好结果和坏结果的信号。
可以在三个主要类别中考虑这些模型：
4.3.1用于识别和开发可产生更好结果的协议模型
医疗保健是一种保守的职业，它遵循已知和公认的方法来帮助患者。 但是，有一些创新的实例最终证明是更好的，应该予以采用。 寻找这些改进以及他们可能将其应用于哪些患者亚组是建模的经典应用，可以在患者数据中查找信号。
4.3.2侧重于分类和预防不良结果的模型。
某些百分比的医疗程序，尤其是手术未按预期终止。 正在开发模型以识别哪些患者最有可能在手术后遭受并发症甚至死亡。 其他人则专注于确定危机事件的可能性，例如心脏骤停，这种情况可能会持续数月甚至数年，并可能影响患者采取预防措施。
4.3.3侧重于可预防危害的异常和类型的模型
用药错误是造成可预防的重大患者伤害和医疗费用增加的原因。 绊倒和跌倒式事故也是造成额外伤害的重要原因，在恢复期间，这种伤害最常见于医院的患者，只是起床并发现自己头昏眼花或太虚弱而无法站立。
这两个都是错误类型的示例，可以通过对最有可能受到影响的患者亚组进行建模来预测并随后控制错误类型。使用CNN和RNN深度学习技术的室内视频和音频监控也正在用于向医务人员创建警报。
5. 利润动机与共享储蓄
在这些结果模型中同样有趣的是，它们既可用于使患者受益，又可在经济上使医院受益。
显然，避免与不良后果或事故相关的额外成本是降低成本的直接动力。不太明显的是，从服务费到结果费的报销变化是更大的推动力。
为了大大简化示例，如果约翰患者被诊断出患有某种严重的心脏病，那么付款人将为约翰和所有患有这种情况的患者报销固定金额的费用。
如果医院能够识别出John一组类似患者的子集，这些子集可以通过较便宜的手术获得更好的结果，那么他们实质上就是将节省的费用与付款人进行了分配。
而且，并非总是想出如何为相同的结果提供更少或更有效的服务。也可能是某些患者，例如John，如果他们进行更及时的随访，将会获得更好的结果。这甚至可能涉及医院为约翰的优步之旅支付费用。
对此的另一直接扩展是远程患者监视，通常是通过可穿戴设备收集IoT信号甚至使用CNN处理的视频来识别对患者或其临床医生的警报。
共享储蓄财务模型驱动着医生参与对患者健康状况的上游和下游监控，并且可能具有将整个系统从疾病治疗转移到实际医疗保健的最大潜力。
6. 创建准确的数据–电子健康记录（EHR）
最后一步是通过EHR创建准确数据的重要性。不用说，如果没有足够的数据量，AI / ML在医疗保健中的先前应用将根本不可能。事实证明，在过去十年中引入EHR既是福也是祸。临床医生普遍认为，电子病历和对大量文件的要求是其工作生涯中最糟糕的事情之一。现在，人们普遍同意，由于EHR，医生在面对患者的每一小时中要承受两个小时的管理工作量。更不用说在检查室中患者和医生之间键盘的侵入。
数据科学界已经开发出了基于NLP指令的解决方案，甚至是精心设计的视频/音频记录头戴式耳机，旨在由外科医生在操作过程中进行记录。渗透率仍然很低，这是医生的痛苦点-患者之间的相互作用仍然很高。另外，从电子病历中提取一致且干净的数据也可以进行分析和建模的问题。这些数据在组织之间甚至在不同位置的相似专业或机器之间的互操作性仍然是获取足够数据的障碍。
